+7(495) 989 9610
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Финансы и кредит»
 

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
LCCN Permalink
Google Scholar

Электронные версии в PDF

EBSCOhost
Eastview
Elibrary
Biblioclub

Инструментальный метод машинного обучения для прогнозирования банкротства компаний

Купить электронную версию статьи

т. 27, вып. 9, сентябрь 2021

Получена: 27.05.2021

Получена в доработанном виде: 10.06.2021

Одобрена: 24.06.2021

Доступна онлайн: 30.09.2021

Рубрика: Инвестиционная деятельность

Коды JEL: C53, G3

Страницы: 2118–2138

https://doi.org/10.24891/fc.27.9.2118

Неврединов А.Р. аспирант кафедры предпринимательства и внешнеэкономической деятельности, Московский государственный технический университет им. Н.Э. Баумана (МГТУ), Москва, Российская Федерация 
a.r.nevredinov@gmail.com

ORCID id: отсутствует
SPIN-код: 9186-4690

Предмет. Оценка состояния компаний, методы прогнозирования банкротства.
Цели. Разработка инструментального метода на основе машинного обучения для прогнозирования банкротства. Исследование источников информации, выбор исходных параметров, изучение возможностей прогнозных моделей.
Методология. Использованы методы анализа и синтеза, а также подходы систематизации, формализации, сравнительного анализа. Теоретические и методологические положения, содержащиеся в отечественных и зарубежных научных трудах по темам анализа компаний и прогнозированию банкротства.
Результаты. Предложен и апробирован инструментальный метод для прогнозирования банкротства. В частности, предложены авторские наборы показателей, выявленные на основе анализа ключевых показателей финансовой устойчивости, результативности и внешних факторов, влияющих на компании на рынке. Собрана обучающая выборка данных, включающая российские и зарубежные компании, разработаны модели на основе машинного обучения, обладающие высокой точностью предсказаний.
Выводы. Результаты развивают научно-практическое представление о методах прогнозирования банкротства и могут быть использованы для поддержки принятия управленческих решений в организации для автоматизации собственного анализа или анализа других организаций, с которыми оно взаимодействует.

Ключевые слова: прогнозирование банкротства, машинное обучение, анализ компаний, искусственные нейронные сети

Список литературы:

  1. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 1968, vol. 23, iss. 4, pp. 589–609. URL: Link
  2. Almaskati N., Bird R., Yeung D., Lu Y. A horse race of models and estimation methods for predicting bankruptcy. Advances in Accounting, 2021, vol. 52, 100513. URL: Link
  3. Горбачёв А.С., Дроговоз П.А. Прогнозирование как инструмент опережающего развития технологических компетенций в промышленности // Креативная экономика. 2020. Т. 14. № 12. С. 3427—3438. URL: Link
  4. Дроговоз П.А., Рассомгин А.С. Обзор современных методов интеллектуального анализа данных и их применение для принятия управленческих решений // Экономика и предпринимательство. 2017. № 3-1. С. 689—693.
  5. Hebb D.O. The Organization of Behavior: A Neuropsychological Theory. Wiley, 1949.
  6. Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2017. 288 с.
  7. Горбачевская Е.Н., Краснов С.С. История развития нейронных сетей // Вестник волжского университета им. В.Н. Татищева. 2015. № 1. С. 52—56.
  8. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: Вильямс, 2006. 1104 с.
  9. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Вильямс, 2005. 864 с.
  10. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М.: Альпина Паблишер, 2001. 317 с.
  11. Краснов М.А. Метод предсказания динамики финансовых временных рядов в инвестировании // Terra Economicus. 2009. Т. 7. № 1-2. С. 93—98. URL: Link
  12. Kohonen T. Self-Organizing Maps. NY, Springer-Verlag, 2001, 502 p.
  13. Silva B., Marques N. Ubiquitous Self-Organizing Map: Learning Concept-Drifting Data Streams. In: Rocha A., Correia A., Costanzo S., Reis L. (eds) New Contributions in Information Systems and Technologies. Advances in Intelligent Systems and Computing, Springer, Cham, 2015, vol. 353. URL: Link
  14. Загоруйко Н.Г., Кутненко О.А. Цензурирование обучающей выборки // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2013. № 1. С. 66—73. URL: Link
  15. Bishop C.M., Svensen M., Williams C.K.I. Developments of the generative topographic mapping. Neurocomputing, 1998, vol. 21, iss. 1, pp. 203–224. URL: Link00043-5
  16. Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation, 1997, vol. 9, iss. 8, pp. 1735-1780. URL: Link
  17. Горбатков С.А. и др. Методологические основы разработки нейросетевых моделей экономических объектов в условиях неопределенности. М.: Экономическая газета, 2012. 494 с.
  18. Коротеев М.В. Обзор некоторых современных тенденций и технологий машинного обучения // E-Management. 2018. Т. 1. № 1. С. 26—35. URL: Link 10.26425/2658-3445-2018-1-26-35
  19. Bughin J., Hazan E., Ramaswamy S. et al. Artificial Intelligence: The Next Digital Frontier? McKinsey Global Institute, 2017, 80 p.
  20. Дроговоз П.А., Коренькова Д.А. Современный инструментарий гибкого управления ИТ-проектами и перспективы его совершенствования с использованием технологий искусственного интеллекта // Экономика и предпринимательство. 2019. № 10. С. 829—833.
  21. Биконов Д.В., Бражкин А.А., Пузиков А.Д. и др. Высокоуровневая система параллельного программирования многоядерного гибридного процессора // Наноиндустрия. 2020. Т. 13. № S4. С. 94—96. URL: Link
  22. Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л. Разработка цифровых двойников для производственных предприятий // Бизнес-информатика. 2019. Т. 13. № 4. С. 7—16. URL: Link
  23. Кафтанников И.Л., Парасич А.В. Проблемы формирования обучающей выборки в задачах машинного обучения // Вестник Южно-уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2016. Т. 16. № 3. С. 15—24.
  24. Santoro E., Gaffeo E. Business Failures, Macroeconomic Risk and the Effect of Recessions on Long-Run Growth: A Panel Cointegration Approach. Journal of Economics and Business, 2009, vol. 61, iss. 6, pp. 435–452. URL: Link
  25. Platt H.D., Platt M.B., Pedersen J.G. Bankruptcy discrimination with real variables. Journal of Business Finance & Accounting, 1994, vol. 21, iss. 4, pp. 491–510. URL: Link
  26. Veganzones D., Séverin E. An investigation of bankruptcy prediction in imbalanced datasets. Decision Support Systems, 2018, vol. 112, pp. 111–124. URL: Link
  27. Большаков М.А. Подготовка данных системы мониторинга ИТ-инфраструктуры для моделей выявления критических состояний на основе нейросетей // Наукоемкие технологии в космических исследованиях Земли. 2019. Т. 11. № 4. С. 65—71. URL: Link
  28. Goodfellow L., Bengio Y., Courville A. Deep Learning (Adaptive Computation and Machine Learning Series). The MIT Press, 2016, 800 p.

Посмотреть другие статьи номера »

 

ISSN 2311-8709 (Online)
ISSN 2071-4688 (Print)

Свежий номер журнала

т. 27, вып. 9, сентябрь 2021

Другие номера журнала